机器学习sklearn k-近邻算法
分类算法_k近邻算法(KNN)
定义:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某-一个类别,则该样本也属于这个类别。
来源: KNN算法最早是由Cover和Hart提出的一种分类算法
例:
求出距离:
结合为:
如何求距离?
两个样本的距离可以通过如下公式计算,又叫欧式距离
比如说,a(a1,a2,a3),b(b1,b2,b3)
(
a
1
−
b
1
)
2
+
(
a
2
−
b
2
)
2
+
(
a
3
−
b
3
)
2
\sqrt{(a1- b1)^2+(a2 - b2)^2+(a3-b3)^2}
(a1−b1)2+(a2−b2)2+(a3−b3)2
相似的样本,特征之间的值应该都是相近的
K-近邻算法:需要做标准化处理
sklearn k-近邻算法API
- sklearn.neighbors.KNeighborsClassifier(n_ neighbors=5,algorithm=‘auto’)
- n_ neighbors: int,可选 (默认=5),k_ neighbors 查询默认使用的邻居数
- algorithm: {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, 可选用于计算最近邻居的算法: 'ball_ tree’将 会使用BallTree,'kd_ _tree’将使用KDTree。'auto’将 尝试根据传递给fit方法的值来决定最合适的算法。(不同实现方式影响效率)
Facebook比赛案例:
使用k—近邻预测用户签到位置
from sklearn.neighbors import KNeighborsClassifier
import pandas as pd
def knn_cls():
"""
k—近邻预测用户签到位置
Returns:
"""
# 读取数据
# test_data = pd.read_csv('../facebook-v-predicting-check-ins/test/test.csv')
train_data = pd.read_csv('../facebook-v-predicting-check-ins/train/train.csv')
# print(train_data.head(10))
# 处理数据
# 1、由于数据量大,为了节省时间可以将x,y缩小
train_data = train_data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
# 2、处理时间的数据
times = pd.to_datetime(train_data['time'],unit='s')
# print(times)
# 把日期格式转换成 字典格式
time_value = pd.DatetimeIndex(times)
# print(time_value)
# 构造一些特征
# train_data['day'] = train_data.loc[:,time_value.day]
train_data.loc[:,'day'] = time_value.day
train_data.loc[:,'hour'] = time_value.hour
train_data.loc[:,'weekday'] = time_value.weekday
# # 把时间戳特征删除
train_data = train_data.drop(['time'], axis=1) # 这里的axis 1是列 0是行
# print(train_data)
# 把签到数量少于n个的目标位置删除
place_count = train_data.groupby('place_id').count()
# print(place_count)
tf = place_count[place_count.row_id > 3].reset_index()
# print(tf)
train_data = train_data[train_data['place_id'].isin(tf.place_id)]
# print(train_data)
# print(tf)
# 取出数据当中的特征值和目标值
# 目标值
y = train_data['place_id']
# 特征值
x = train_data.drop(['place_id'],axis=1).drop(['row_id'],axis=1)
# 进行数据的分割训练集和测试集
from sklearn.model_selection import train_test_split
# 注意返回值, 训练集 train x_train, y_train 测试集 test x_test y_test
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
# 特征工程(标准化)
from sklearn.preprocessing import StandardScaler
std = StandardScaler()
# 对测试集和训练集的特征值进行标准化
x_train = std.fit_transform(x_train)
x_test = std.transform(x_test)
# 进行算法流程
knn = KNeighborsClassifier(n_neighbors=5)
# fit, predict, score
knn.fit(x_train,y_train)
# 得出预测结果
y_predict = knn.predict(x_test)
print("预测的目标签到位置为:", y_predict)
# 得出准确率
print("预测的准确率:", knn.score(x_test, y_test))
return None
if __name__ == '__main__':
knn_cls()
k-近邻算法优缺点
- 优点:
- 简单,易于理解,易于实现,无需估计参数,无需训练
- 重新训练的代价低
- 适合类域交叉样本
- KNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,KNN方法较其他方法更为适合。
- 适合大样本自动分类
- 该算法比较适用于样本容量比较大的类域的自动分类,而那些样本容量较小的类域采用这种算法比较容易产生误分。
- 缺点:
-
懒惰算法,对测试样本分类时的计算量大,内存开销大
- KNN算法是懒散学习方法(lazy learning,基本上不学习),一些积极学习的算法要快很多
-
必须指定K值,K值选择不当则分类精度不能保证
-
类别评分不是规格化
- 不像一些通过概率评分的分类
-
输出可解释性不强
- 例如决策树的输出可解释性就较强
-
对不均衡的样本不擅长
- 当样本不平衡时,如一个类的样本容量很大,而其他类样本容量很小时,有可能导致当输入一个新样本时,该样本的K个邻居中大容量类的样本占多数。该算法只计算“最近的”邻居样本,某一类的样本数量很大,那么或者这类样本并不接近目标样本,或者这类样本很靠近目标样本。无论怎样,数量并不能影响运行结果。可以采用权值的方法(和该样本距离小的邻居权值大)来改进。
-
计算量较大
- 目前常用的解决方法是事先对已知样本点进行剪辑,事先去除对分类作用不大的样本。
-
- 使用场景:小数据场景,几千~几万样本,具体场景具体业务去测试